Als er een manier is om de betrouwbaarheid van een product te garanderen, zorg dan voor de voorspelbaarheid ervan PCB is een belangrijk onderdeel van het product. In feite is PCB nu een essentieel onderdeel van bijna elk elektronisch apparaat, van telefoons tot computersystemen. In feite, van automobiel tot defensie, van luchtvaart tot technologie, geen enkele industrie is alomtegenwoordige PCB.

In al deze industrieën is productbetrouwbaarheid van cruciaal belang. Of het nu gaat om medische technologie of luchtvaart, fouten kunnen kostbaar zijn. Evenzo kunnen op medisch gebied storingen aan apparatuur ernstige gevolgen hebben, met dodelijke afloop tot gevolg.

Dit vereist dat de traditionele methode van voorspelbaarheid herschikking is. Traditionele voorspelbaarheidsmethoden zijn meestal gebaseerd op fysieke controles. Inspecties hebben echter het inherente nadeel dat ze alleen controleren op uitwendige gebreken. Bovendien is een ander probleem waarmee fysieke inspectie te maken heeft, dat microslicing en inspectie een logistieke nachtmerrie worden wanneer PCBS complex zijn en talrijke doorgaande gaten hebben. Als slechts een paar gaten worden gecontroleerd, kan het proces onfeilbaar zijn. Due to high product diversity, traditional statistical tools are insufficient to identify defects

Een ander groot nadeel van het inspectieproces is dat het kan plaatsvinden nadat het fabricageproces is voltooid. Ten eerste is het proces duur. Ten tweede kan het defect op een andere manier met elkaar samenhangen, waardoor ook andere batches kunnen worden beïnvloed.

Voor PCBS met een hoge complexiteit en productdiversiteit is de voorspelbaarheid van traditionele tests niet gegarandeerd belangrijker.

De oplossing voor dit probleem is het gebruik van zeer uitgebreide data-analyse, testautomatisering en digitalisering. Het zijn uitgebreide statistieken die leiden tot betrouwbaarheid en traceerbaarheid. Met betrouwbare datavoorspelling kan een nauwkeurige voorspelling worden gedaan. Eventueel afwijkend gedrag kan worden opgeroepen en atypische producten kunnen worden verwijderd.

Dit vereist in principe dat alle beschikbare gegevens gecentraliseerd worden opgeslagen. Vrijwel elke machine moet worden geprogrammeerd met interfaces om alle gegevens in een gecentraliseerde repository te laden. Dit maakt op zijn beurt een diepgaande data-analyse mogelijk. Het zorgt er ook voor dat er, in tegenstelling tot het fysieke inspectieproces, bij een storing een relevante correlatie ontstaat. Maar zelfs hier zijn er uitdagingen, aangezien de gegevens uit meerdere bronnen komen en worden vertaald in tal van gegevenspunten. Dit probleem kan worden overwonnen door een tweetraps gegevensverwerkingsformaat te formaliseren. De eerste fase is om de gegevens te normaliseren en de tweede fase is om de genormaliseerde gegevens te analyseren. Dankzij wetenschappelijke data-analyse hoeft u niet te vertrouwen op het vinden van problemen aan het einde van het productieproces en er vervolgens reactief op te reageren. In plaats daarvan kunt u proactief anticiperen op problemen en ervoor zorgen dat de kans op falen wordt geminimaliseerd. Dit kan worden gedaan bij het regelen van procesingangsvariabelen. Op zijn beurt regelt het vertragingen, die extreem kostbaar kunnen zijn.

Hoewel de voorspelbaarheid hoog kan zijn, is de waarheid dat de kosten van een mislukking veel groter zijn dan deze.